对食道癌的放射治疗后瘤总体体积的预先引导自动划分

科学领域:

• 医疗成像和人工智能的人工智能
• 瘤学和放射治疗的研究.
• 计算病理学和放射学.

背景情况:

• 精确预测食道癌 (EC) 治疗反应的依赖于整合放射治疗后的CT扫描.
• 在RTCT后手动划定瘤总体积 (GTV) 是耗时且劳动密集的,阻碍了模型开发.

研究的目的:

• 开发一个新的深度学习框架,用于在EC中自动划分后RT GTV.
• 将医学物理学先验,包括RT前的GTV轮和RT剂量分布,纳入自动化划分过程.

主要方法:

• 为了培训,内部验证和外部验证,使用了294名EC患者的多中心追溯队列.
• 采用了nnU-Net v2骨干,结合了RT前的GTV和高剂量区域先验来指导特征提取.
• 性能被评估使用子相似系数 (DSC),交界线 (IoU),豪斯多夫距离95 (HD95),平均表面距离 (ASSD) 和放射学分析.

主要成果:

• 在交叉验证中,自动化方法实现了0.7809 ± 0.1310的DSC和0.6486 ± 0.1507的IOU,超过了最先进的模型.
• 结合前RT GTV和剂量分配先验,与单个先验或无先验模型相比,显著提高了划分精度.
• 自动轮的放射性特征显示出高可重现性 (78.6%与ICC> 0.75) 和与手动轮的强烈一致性 (R> 0.8).

结论:

• 拟议的深度学习框架通过嵌入医学物理先验,在多个中心中准确而稳健地界定了EC的后RT GTV.
• 这种自动化方法有可能简化对食道癌更准确的治疗反应预测模型的开发.